决策树学习能否“半监督”

Question

我有一个包含三种变量的数据集：自然状态，人类决策，响应变量。我正在尝试使用决策树学习使用其他变量来预测响应变量。

我的心理模型是人们正在关注自然状态和做出决定。因此，我强烈希望我的决策树可以根据自然变量的状态进行分区，然后根据人类决策变量进行分区。我宁愿不在决策树模型中查看所有变量，看看弹出的是什么。

这种心理模型是否有效，如果是这样，我将如何使用Azure ML实现这样的功能？我甚至不知道用正确的词来形容这个问题 - 这是“半监督”的决策树学习吗？

Answer 1

这里没有“半监督”部分。半监督意味着部分数据缺乏标签（响应变量），但事实并非如此。您只需为决策树学习提出非常奇怪的约束，最后处理特征子集。为了做这样的事情，你需要改变DT学习过程，或者最好 - 从头开始​​编码。 DT是一种非常简单的算法，它需要很少的线程代码，而你的修改是一个简单的内部，它说“如果，从根目录开始我们还没有使用所有有意义的'自然'功能，那就不要看了进入'人类决定'“。因此它很简单，但我不认为任何库实际上支持这种约束（因为它远非自然，特别是对于DT）。